虽然科学技术在不断进步，但是大脑的运作方式仍然是未解之谜。结构决定功能，了解大脑的运作方式需要在纳米级的分辨率下对神经元成像。现有的三维成像设备容量有限，无法容纳大多数的生物样品。因此，对生物组织进行切片和成像，再从得到的图像序列中重建出神经元的三维结构，是获取大体量神经环路三维影像数据的有效手段。

然而在切片过程中，生物组织结构的连续性会被破坏，相邻的切片之间会引入扭曲、褶皱、伸缩等非线性形变。整个图像序列需要配准，如果不能较好地处理这些形变，将会影响后续的生物学分析。因此，研究能够恢复图像序列沿轴向的连续性的序列图像配准方法至关重要。

本文旨在设计高效的序列图像配准方法，以满足大规模神经元三维重建任务的需要。针对现有方法的不足之处，本文结合具体的生物学特点来优化对应算法的设计，突破大体量数据配准精度低、周期长、自动化程度低等技术瓶颈。

本文的主要工作和创新点归纳如下：

1. 提出了一个基于分治策略的两两图像高速高精度配准方法。针对前人方法在高速和高精度上难以共存的矛盾，本文充分利用生物组织序列切片的形变特点，借助分而治之的思想，对原问题进行了充分简化，据此设计了一个双重网络来实现高速高精度的图像配准，并且通过无监督学习的方式避免了昂贵的人工标注，增加了网络在实际场景中的应用价值。在Cremi数据集上，该方法以0.1秒每帧的速度实现0.758的配准精度（结构相似度指标），在速度和精度上均优于同类算法。进一步的实验证明，该方法能够作为序列图像配准任务的子环节，用以快速提取图像之间的对应关系。相比于序列图像配准中常用的对应点提取方法，该方法能够处理超大分辨率的图像，并且在速度上有数百倍的提升。

2. 提出了一种基于生物结构约束的长图像序列配准解算方法。针对序列图像配准任务中晶圆间存在成像畸变、长序列配准容易发生香蕉效应等问题，本文提出以晶圆为单位进行配准以避免长序列配准导致的误差累积，在晶圆内基于生物结构的连续性施加更为严格的约束以提升配准质量。更为严格的约束条件增加了问题的求解难度。为此，本文针对性地设计了一个非迭代的近似算法来实现快速求解，并且在理论上分析了该算法的最优性条件，在实验上证明了该算法的有效性和高效性。基于此方法，本文以较短的时间实现了大体量（675.8×675.8×181.2立方微米）的斑马鱼数据的配准，恢复出了平滑连续的生物构，为后续的生物学分析打下了坚实的基础。并且通过统计分析，本文指出了未来序列图像配准任务效率提升的潜在方向。

3. 提出了一种适用于大体量多数据类型的序列图像配准方法。现有序列切片图像配准方法主要针对薄或者超薄切片设计，适用面窄，不利于在光电关联等任务上的应用。为此，本文指出切片厚度不均、片间差异大和大数据量是阻碍序列图像配准技术拓展的主要障碍，并提出了切片表面自动修平、稠密的对应点提取、非迭代的全局优化等技术来消除这些障碍，得到了适用于大体量多数据类型的序列图像配准算法。本文通过全面的实验证明了该方法的有效性，并且通过统计分析指出，所施加约束的严格程度是影响序列图像配准算法适用性的主要因素，为后续序列图像配准算法的设计提供了思路。以该算法为基础，本文完成了高精度的大体量生物组织的配准，包括3.9×4.6×5.6立方毫米体量的小鼠胚胎脑数据和13.7×9.0×12.1立方毫米体量的小鼠透明脑数据，恢复出了平滑连续的生物组织结构，为后续的生物学分析提供良好的依据。